引言
Flux 3 是来自 Black Forest Labs 的多模态基础模型，它在同一套统一架构中从图像、视频和音频中学习。Flux 3 不是一次只转换一种媒体类型，而是旨在理解物体如何保持结构、事物如何运动以及事件听起来如何——将视频生成、图像编辑和原生音频整合到一个创意系统中。
Flux 3 是什么？
Flux 3 是 Black Forest Labs 推出的新型多模态基础模型，基于该公司称为 Self-Flow 的技术构建。Self-Flow 在同一架构内对齐多模态生成与理解，并同时将其扩展到视频、图像和音频。它解决的核心问题是碎片化：大多数创意工具把视频、静态图像和声音视为由不同模型处理的独立任务。Flux 3 则把它们视为一个需要被理解的世界。
这一点很重要，因为视觉智能依赖上下文。一个知道玻璃如何碎裂的模型，也会知道它应该听起来如何，以及碎片应如何在各帧之间移动。Flux 3 通过早期访问分阶段发布，首先提供视频生成，后续能力将逐步推出。
该模型面向创作者、营销人员、设计师和机器人团队，他们想要的是一个智能创意伙伴，而不是单一模态转换器。简而言之，Flux 3 是一个多模态 AI 系统，它试图为真实世界建模，而不仅仅是渲染真实世界。
Flux 3 的主要功能
带原生音频的视频生成
生成文本到视频片段、让起始图像动起来、在视频之间转移参考，并延续现有素材——全部配有同步原生音频，时长最长约 20 秒。关键帧到视频控制让创作者能更精细地掌控运动和节奏。
多语言对话与声音设计
捕捉人类面部表情，将声音与物理事件关联，并在同一序列中生成多语言对话。Flux 3 将这些能力整合成可持续数分钟的连续流程，而不是几个互不相连的短秒片段。
智能体式多镜头串联
将单个片段串联成更长的多镜头序列，并借助视觉参考帮助角色在不同场景中保持一致。这让 Flux 3 视频生成在叙事创作中比一次性提示词到片段的工具更有用。
图像合成与编辑
在多种风格、宽高比和分辨率下合成并编辑图像。对复杂提示词的高度遵循能力以及多语言高精度文本渲染，使图像编辑可实际用于真实设计任务。
风格多样性与字体排版
在同一模型内，可在随性的便携摄像机素材、动画和电影感外观之间切换。Flux 3 还能处理字体排版和动态设计工作，而这往往是生成式视频工具容易欠缺的地方。
动作预测
Flux 3 包含原生动作预测，FLUX-mimic 等专门微调模型则基于预训练视频骨干构建，将其作为具备动态感知能力的基础。这是生成式媒体与物理 AI 之间的桥梁。
早期基准性能
在初步的 720p 文本到视频评估中，Flux 3 在正面对比中比多个领先模型更受青睐，预计在早期访问期间还会有进一步提升。
Flux 3 的使用场景
创意与社交视频制作
为社交渠道制作带原生音频、字体排版和一致风格的短视频片段。创作者可以在 Flux 3 创作工作区中快速迭代，无需在独立的视频和音频工具之间切换。
营销与广告活动
制作多镜头宣传片，让角色和产品在不同场景中保持视觉一致。营销人员可以在投入完整制作预算之前，用 Flux 3 多模态 AI 测试创意概念。
设计与图像编辑
以多种宽高比生成并优化静态图像，然后直接在图像中渲染准确的多语言文本。设计师获得单一工作流，而不必在图像编辑和视频生成应用之间来回切换。
机器人与物理 AI 研究
利用动作预测和具备动态感知能力的视频骨干来探索仿真和计算机使用场景。Flux 3 支持从事具身 AI 的团队，在这些工作中，理解运动与渲染运动同样重要。
叙事与多镜头故事
将片段串联成更长的序列，并通过参考引导实现一致性。Flux 3 帮助叙事者组装出彼此连贯、而非随机生成的场景。
如何使用 Flux 3
- 访问 Flux 3 网站，并通过早期访问打开创作工作区。
- 选择模式——文本到视频、图像到视频或视频到视频参考转移。
- 可选：上传 PNG、JPG 或 WebP 文件格式的第一帧，以引导开场镜头。
- 编写清晰的提示词，描述主体、运动、风格以及你想要的任何对话或声音。
- 生成片段，查看结果，然后根据需要串联或优化镜头。请确保提示词和内容符合平台的安全与可接受使用政策。
Flux 3 的目标受众
- 视频创作者和社交媒体叙事者
- 营销人员和品牌活动团队
- 跨越图像与动态设计的设计师
- 制作场景原型的电影制作人和动画师
- 机器人与物理 AI 研究团队
- 探索多模态 AI 系统的开发者
Flux 3 免费吗？
Flux 3 目前正通过早期访问分阶段推出，公开定价细节有限。该模型的定价页面是确认当前方案、积分和限制的最可靠渠道。
| 方案 | 价格 | 功能 |
|---|---|---|
| 早期访问 | 视情况而定 | 可使用分阶段推出的 Flux 3 能力，包括视频生成 |
| 付费层级 | 见官方定价页面 | 更高的生成量和更多功能访问权限 |
由于生成过程似乎会在创作工作区中消耗积分，用户在规划较大项目前应查看 flux3.dev/pricing 上的官方定价页面。
Flux 3 的优缺点
| 方面 | 优点 | 缺点 |
|---|---|---|
| 能力 | 在一个模型中统一视频、图像、音频和动作预测 | 并非所有能力都在发布时可用 |
| 音频 | 原生同步音频和多语言对话 | 每次生成的片段时长限制在约 20 秒 |
| 一致性 | 借助视觉参考进行多镜头串联，保持角色稳定 | 更长叙事仍需要手动串联 |
| 访问 | 分阶段早期访问可收集反馈并进行安全测试 | 定价和限制尚未完全公布 |
| 风格范围 | 广泛覆盖便携摄像机素材到电影感外观 | 基准测试结果仍属初步 |
关于 Flux 3 的常见问题
Flux 3 是什么？
Flux 3 是来自 Black Forest Labs 的多模态基础模型，联合学习图像、视频和音频。它基于同一底层架构驱动视频生成、图像编辑和动作预测。
Flux 3 能同时生成音频和视频吗？
可以。Flux 3 视频生成包含同步原生音频，以及多语言对话和与场景中物理事件关联的声音设计。
Flux 3 片段可以多长？
单次视频生成最长约 20 秒，多镜头串联可用于构建角色一致的更长序列。
Flux 3 对所有人开放吗？
Flux 3 正通过早期访问分阶段发布，先从视频生成开始。随着反馈和安全测试持续推进，预计会推出更多能力。
Flux 3 可用于图像编辑吗？
可以。Flux 3 支持跨风格、宽高比和分辨率的图像合成与编辑，并具备改进的提示词遵循能力和多语言文本渲染能力。
Flux 3 与单模态工具有何不同？
Flux 3 多模态 AI 在视频、图像和动作之间共享对世界的理解，而不是分别处理每种格式，这有助于提升一致性、运动表现和声音表现。
Flux 3 标签
Flux 3、Flux 3 多模态模型、Black Forest Labs、多模态 AI、Flux 3 视频生成、原生音频 AI 视频、文本到视频模型、AI 图像编辑、多镜头视频串联、动作预测 AI、FLUX-mimic、带音频的生成式视频
